DeshwalX telah merilis klasifikator multi-label untuk pagar pengaman LLM latensi rendah, dengan menyetel ulang `google/electra-small-discriminator` sekitar 14M parameter untuk mendeteksi empat vektor keamanan independen dalam satu lewatan maju.
- F1 Mikro: 90.00% | F1 Makro: 89.00%
- Prompt Adversarial (Jailbreaks): F1 1.00
- Penolakan Respons: F1 0.86
- Prompt Berbahaya: F1 0.88
- Respons Berbahaya: F1 0.81
Penulis mencari umpan balik komunitas untuk meningkatkan Versi 1, secara khusus meminta kasus tepi di mana model gagal, contoh hasil positif palsu pada input yang tidak berbahaya, dan saran untuk konfigurasi arsitektur atau penyeimbangan bobot kerugian.